风力发电机叶片缺陷检测的先进计算机视觉模型对比研究

摘要整理

风力发电机叶片表面缺陷的自动化检测对现代能源基础设施的经济高效和可靠维护至关重要。本研究对近期单阶段（YOLOv8、YOLOv9、YOLOv10、YOLOv11）和双阶段（Faster R-CNN）深度学习目标检测模型在风力叶片检测中的性能进行了全面评估。为解决类别不平衡问题，采用StyleGAN2-ADA数据增强方法处理真实数据集，通过分层交叉验证和独立测试集评估了检测精度、类别性能、推理速度和模型大小。结果表明，所有YOLO模型在平均精度（mAP@0.5）上均显著优于Faster R-CNN，其中YOLOv11在测试集上达到最高得分0.969。合成数据的融入为少数类别带来了显著的性能提升，并降低了交叉验证折叠间的方差。除了优异的检测精度外，YOLO模型还展现出快速推理速度（<11 ms/张图像）和紧凑的模型体积（48~84 MB），充分证明其在实时和边缘计算工业应用中的适用性。研究成果表明，将先进YOLO模型与数据增强策略相结合，能够有效实现风力叶片缺陷的自动化检测。

相关论文